Como visto, a soma de bens e serviços finais produzidos por um país em um determinado período depende, basicamente, da disponibilidade de fatores de produção e da forma como esses fatores são combinados. Assim, é preciso entender sobre a dinâmica desses fatores, ou seja, sobre como a oferta e a demanda por eles evolui ao longo do tempo.
Com esse objetivo, é importante definir alguns conceitos. O total de pessoas de um país divide-se em dois grandes grupos: a população inativa e a ativa. O primeiro grupo é composto, basicamente, por crianças e idosos, enquanto o segundo pelo grupo de pessoas que estariam aptas a exercer algum tipo de trabalho.
A população em idade ativa (PIA), por sua vez, se divide em população economicamente ativa (PEA) e população não economicamente ativa (PNEA). No primeiro grupo estão as pessoas ocupadas (PO) e as pessoas desocupadas, mas em busca de ocupação (PD), enquanto no segundo estão as pessoas desocupadas, que não estão buscando ocupação. Em resumo:
\[ População = PIA + Inativos \tag{1} \] \[ PIA = PEA + PNEA \tag{2} \]
\[ PEA = PO + PD \tag{3} \]
\[ PD = PEA - PO \tag{4} \]
\[ \frac{PD}{PEA} = 1 - \frac{PO}{PEA} \tag{5} \]
\[ Participação = \frac{PEA}{PIA} \tag{6} \]
O que conhecemos, nesse contexto, como taxa de desemprego nada mais é do que a resultante final de uma complexa interação entre oferta e demanda de trabalho. O grau de ociosidade nesse mercado, por fim, vai definir a qual taxa os salários irão crescer, que pode ser maior, menor ou igual ao crescimento da produtividade da economia.
A análise do mercado de trabalho pode ser feita com base nos dados do CAGED (Cadastro Geral de Empregados e Desempregados) ou com os dados Pesquisa Nacional por Amostra de Domicílios Contínua organizada e divulgada pelo IBGE. A PNAD Contínua, de abrangência nacional, veio substituir a Pesquisa Mensal de Emprego (PME), que englobava apenas as seis maiores regiões metropolitanas do país.
#Analise do Mercado de Trabalho
#https://sidra.ibge.gov.br/home/pnadcm
library(sidrar)
library(GetTDData)
library(readr)
library(xts)
library(forecast)
library(scales)
library(ggplot2)
library(mFilter)
library(grid)
library(png)
library(rbcb)
library(Quandl)
library(tidyverse)
library(plotly)
library(BMR)
library(plotly)
#datamt0 <- get_sidra(api='/t/6022/n1/all/v/606/p/all') #Populacao
#datamt1 <- get_sidra(api='t/6318/n1/all/v/1641/p/all/c629/32385') #PIA+PD+PEA
#datamt2 <- get_sidra(api='t/6318/n1/all/v/1641/p/all/c629/32386')#PIA
#datamt3 <- get_sidra(api='t/6318/n1/all/v/1641/p/all/c629/32387')
#datamt4 <- get_sidra(api='t/6318/n1/all/v/1641/p/all/c629/32446')
#datamt5 <-get_sidra(api='/t/6320/n1/all/v/4090/p/all/c11913/31722,31723,31724,31727,31731,96165,96170,96171') #PIA
#http://api.sidra.ibge.gov.br/values/t/6323/n1/all/v/4090/p/first%2077/c693/all
#write.csv2(datamt0, file='arquivo12a.csv')
dataa <- ts(read.csv2('arquivo12a.csv', header=T,
sep=';'),
start=c(2012,03), freq=12)
data <- ts(read.csv2('arquivo12.csv', header=T,
sep=';', dec=',', skip=4)[,-1],
start=c(2012,03), freq=12)
data <- na.omit(data)
data <- cbind.data.frame(dataa[,6], data)
### Calcular Series e Taxas
pnea <- data[,2] - data[,3] # Populacao nao economicamente ativa
pia.pop <- data[,2]/data[,1]*100 # PIA/Populacao PIA= Pop. Idade Ativa
participacao <- data[,3]/data[,2]*100 # PEA/PIA PEA=PO+PD
ocupacao.pia <- data[,4]/data[,2]*100 # PO/PIA PO=POp Ocupada
desemprego <- data[,5]/data[,3]*100 #PD/PEA PD=Pop Desocupada
macro <- cbind(data[,1:5], pnea, pia.pop, participacao, ocupacao.pia,
desemprego)
colnames(macro) <- c('Populacao', 'PIA', 'PEA', 'PO', 'PD', 'PNEA',
'PIA/POP', 'PARTICIPACAO', 'PO/PIA', 'DESEMPREGO')
macro <- ts(macro, start=c(2012,03), freq=12)
### Variacao internanual
interanual <- (macro/stats::lag(macro,-12)-1)*100
colnames(interanual) <- colnames(macro)
### Variacao internanual
interdecanual <- (macro/stats::lag(macro,-120)-1)*100
colnames(interanual) <- colnames(macro)
interanual1<-interanual[,-1]
#plot1 <- window(interanual1, end=c(2016,6))
dates <- seq(as.Date('2012-03-01'),
as.Date('2022-12-01'), by='1 month')
macro1 <- macro[,-1]
gtsplot(macro1, dates=dates)
Figura 1: Evolução Dados sobre Mercado de Trabalho
dates <- seq(as.Date('2013-03-01'),
as.Date('2022-12-01'), by='1 month')
gtsplot(interanual1, dates=dates)
Figura 2: Variações Interanuais das métricas principais da PNAD Contínua
#Tabela
c1 <- tail(macro, n=1)
c2 <- macro[nrow(macro)-12,]
c3 <- tail(interanual, n=1)
c4 <- macro[nrow(macro)-120,]
table <- t(rbind(c1,c2,c3,c4))
colnames(table) <- c('Dez/22', 'Dez/21', 'Variação', 'Dez/12')
library(DT)
datatable(round(table,2),
options = list(pageLength = 11,
dom = 't',
columnDefs =
list(list(className = 'dt-center', targets = "_all"))))
De forma a compreender o comportamento da demanda por trabalho, é importante saber desagregar os dados da PNAD Contínua.
#datab <- get_sidra(api='t/6320/n1/all/v/4090/p/all/c11913/31722,31723,31724,31727,31731,96170,96171')
datab <- ts(read.csv2('arquivo12b.csv', header=T,
sep=';', dec=',', skip=4)[,-1],
start=c(2012,03), freq=12)
pesos.po <- na.omit(datab)
pesos.po1 <- (pesos.po/data[,4])*100
colnames(pesos.po1) <- c("Privado com Carteira",
"Privado sem Carteira",
"Trabalhador Domestico",
"Setor Publico",
"Empregador","Conta Propria",
"Trabalhador Familiar Auxiliar")
### Gerar Grafico
pie(colMeans(pesos.po1), col=c('red','black','blue','darkblue',
'darkgreen', '367', '556'),
main='Populacao Ocupada PNADC mensal desagregada (%)')
Figura 3: Desagregação da População Ocupada
pesos.po2 <- window(pesos.po1, start=c(2017,3), end=c(2020,3))
### Gerar Grafico
pie(colMeans(pesos.po2), col=c('red','black','blue','darkblue',
'darkgreen', '367', '556'),
main='Populacao Ocupada PNADC mensal desagregada (%) - Pré Pandemia')
Figura 4: Desagregação da População Ocupada
pesos.po3 <- window(pesos.po1, start=c(2020,3))
### Gerar Grafico
pie(colMeans(pesos.po3), col=c('red','black','blue','darkblue',
'darkgreen', '367', '556'),
main='Populacao Ocupada PNADC mensal desagregada (%) - Pós Pandemia')
Figura 5: Desagregação da População Ocupada
pie1 <- colMeans(pesos.po1)
pie2 <- colMeans(pesos.po2)
pie3 <- colMeans(pesos.po3)
table <- cbind(pie1, pie2, pie3)
colnames(table) <- c("Média Série", "Média pós 2017", "Média pós 2020")
datatable(round(table,2),
options = list(pageLength = 7,
dom = 't',
columnDefs =
list(list(className = 'dt-center', targets = "_all"))))
Uma outra métrica interessante para análise da situação do desemprego pode ser obtida confrontando o dado em t contra o mesmo dado em t-12. Obtém-se, assim, o chamado de variação interanual do desemprego.
#interanual <- (macro/lag(macro,-12)-1)*100
#Variacao Interanual do Desemprego
composicao <- macro[,10] - stats::lag(macro[,10],-12)
autoplot(composicao) +
geom_bar(colour="black",
fill="darkblue", width=.1, stat="identity") +
xlab('') + ylab('p.p.') +
ggtitle('Variação da Taxa de Desemprego PNADCm
(mes t menos mes t-12)')
Figura 6: Variação Interanual da Taxa de Desemprego PNADC
Um dos grandes problemas da PNAD Contínua é que ela é uma série curta. Isso significa que não é possível usar técnicas econométricas mais sofisticadas. Contudo, é possível contornar o problema estimando o modelo dinâmico abaixo:
library(dynlm)
#Dessazonalizacao da taxa de desemprego
dynlm <- dynlm(macro[,10]~season(macro[,10]))
desemprego_sa <- residuals(dynlm) + mean(fitted(dynlm))
pnadc.desemprego <- cbind(desemprego, desemprego_sa)
p <- autoplot(pnadc.desemprego, facets=F,
main='Taxa de Desemprego na PNAD Continua mensal (% PEA)', xlab = "%", ylab = "Tempo")
p + scale_colour_hue("Legenda") + scale_size_manual(values = 2)+
theme(legend.position="bottom")
Figura 7: Taxa de Desemprego na PNAD Contínua mensal (% PEA)
Uma questão importante em relação ao mercado de trabalho é o rendimento recebido pela força de trabalho. Para fazer esta análise os dados da evolução do Rendimento médio de todos os trabalhos, efetivamente recebido no mês de referência, pelas pessoas de 14 anos ou mais de idade, ocupadas na semana de referência, com rendimento de trabalho (Reais), disponibilizado pelo IBGE pode ser utilizado.
renda <- read.csv(file='arquivo12c.csv',
header=T,sep=";", skip=3)
colnames(renda)[2] <- "renda"
renda <- ts(renda[-nrow(renda),-1], start=c(2012,02), freq=12)
#Analise do PIB e seus componentes
dates <- seq(as.Date('2012-02-01'), as.Date('2022-11-01'), by='1 month')
renda <- data.frame(time=dates, renda)
renda1 <- ggplot(renda, aes(x=time))+
geom_line(aes(y=renda), color="darkblue", linewidth=.6)+
scale_y_continuous(limits=c(2000, 3500), n.breaks = 10)+
xlab('')+ylab('Reais')+
theme(legend.position = 'top')
ggplotly(renda1)
Figura 8: Rendimentos Reais
### Variacao Marginal (comparo com o trimestre anterior)
margem <- (renda[,2]/stats::lag(renda[,2],-1)-1)*100
dates <- seq(as.Date('2012-03-01'), as.Date('2022-11-01'), by='1 month')
margem <- data.frame(time=dates, margem)
margem1 <- ggplot(margem, aes(x=time))+
geom_line(aes(y=margem), color="darkblue", linewidth=.6)+
xlab('')+ylab('Variação %')+
theme(legend.position = 'top')
ggplotly(margem1)
Figura 9: Variação Marginal
### Variacao Marginal (comparo com o trimestre anterior)
anual <- (renda[,2]/stats::lag(renda[,2],-12)-1)*100
dates <- seq(as.Date('2013-02-01'), as.Date('2022-11-01'), by='1 month')
anual <- data.frame(time=dates, anual)
anual1 <- ggplot(anual, aes(x=time))+
geom_line(aes(y=anual), color="darkblue", linewidth=.6)+
xlab('')+ylab('Variação %')+
theme(legend.position = 'top')
ggplotly(anual1)
Figura 9: Variação Anual
Nível geral de preços é uma medida acumulada do comportamento agregado dos preços de bens e serviços de uma economia em determinado período do tempo, geralmente expressa por meio de números índices.
A inflação é a taxa de crescimento do nível geral de preços entre dois períodos distintos.
Ao contrário do que o senso comum acredita, o aumento no preço de um determinado bem ou serviço não pode ser caracterizado com o que estamos definindo como inflação. Para ser considerado inflação, é necessário que haja um aumento persistente e generalizado de preços.
No curto prazo, diversos fatores podem afetar a taxa de crescimento dos preços, desde uma quebra de safra, que pode gerar um aumento localizado nos preços de alimentos, o que gera uma pressão inflacionária, até questões cambiais que aumentem o custo de importação de insumos em diversas cadeias produtivas, acaba gerando também uma pressão inflacionária. No curto prazo os economistas usam a Curva de Phillips para verificar a dinâmica da inflação.
\[ \pi_{t} = \alpha_{0} + \alpha_{1}\pi_{t-1} + \alpha_{2}E_{t}\pi_{t+1} + \alpha_{3}h_{t-1} + \alpha_{4}\Delta\epsilon_{t} + \varepsilon_{t}^{s} \tag{7} \]
onde \(\pi_{t}\) é a inflação, \(\Delta\epsilon_{t}\) é a primeira diferença da taxa de câmbio nominal e \(\varepsilon_{t}^{s}\) é um choque de oferta.
Para entender inflação no longo prazo, pode-se usar a equação de Cambridge, a partir do equilíbrio entre demanda
\[ M^{d} = kPY \tag{8} \] e oferta de moeda
\[ M^{s} = M \tag{9} \]
Igualando (8) e (9) e reordenando os termos, chega-se à equação:
\[ P = \frac{M}{kY} \tag{10} \]
Aplicando logaritmo e derivando em relação ao tempo, tem-se que:
\[ \dot{P} = \dot{M} - \dot{k} - \dot{Y} \tag{11} \] Como \(k\) (o coeficiente de Cambridge) é o inverso da velocidade renda da moeda, por hipótese, constante, tem-se que:
\[ \dot{P} = \dot{M} - \dot{Y} \tag{12} \]
Assim, a taxa de crescimento do nível geral de preços é dada pela diferença entre a taxa de crescimento dos meios de pagamento e do produto real da economia.
Se a inflação é determinada positivamente pela taxa de crescimento dos meios de pagamento, fica claro que a condução frouxa da política monetária gera mais inflação. Dito de outra forma, pode-se relacionar a taxa de crescimento dos meios de pagamento à inflação através da taxa de juros.
A política monetária via taxa de juros é o instrumento para controlar a inflação, consequentemente. política monetária será expansionista se a taxa de juros de curto prazo estiver abaixo daquela considerada de equilíbrio entre oferta e demanda por “fundos emprestáveis”, como dito por Wicksell (1898). Assim, o Bacen deve calibrar a taxa básica de juros em torno daquela considerada de equilíbrio, natural ou neutra, de modo a manter a estabilidade de preços na economia.
O Banco Mundial disponibiliza um conjunto de dados sobre Nível geral de preços e inflação em diversos países. Assim, basta baixar o CPI (Consumer Price Index) e depois calcular a inflação comparando dois períodos de tempo. Os dados mostrados são de 2000 a 2021, último dado disponível.
#library(quantmod)
library(wbstats)
#library(GetQuandlData)
# https://cran.r-project.org/web/packages/GetQuandlData/vignettes/getquandldata-vignette-introduction.html
#db_id <- 'RATEINF'
#my_api <- readLines('At73gR4AzKsdTGE5JoaU')
#df <- get_database_info(db_id, my_api)
#head(df)
CPI <- wb_data("FP.CPI.TOTL", start_date = 2000, end_date = 2022)
BRA_CPI <- filter (CPI, iso3c == 'BRA')
colnames(BRA_CPI)[5] <- 'BRA_CPI'
USA_CPI <- filter (CPI, iso3c == 'USA')
colnames(USA_CPI)[5] <- 'USA_CPI'
DEU_CPI <- filter (CPI, iso3c == 'DEU')
colnames(DEU_CPI)[5] <- 'DEU_CPI'
CAN_CPI <- filter (CPI, iso3c == 'CAN')
colnames(CAN_CPI)[5] <- 'CAN_CPI'
FRA_CPI <- filter (CPI, iso3c == 'FRA')
colnames(FRA_CPI)[5] <- 'FRA_CPI'
ITA_CPI <- filter (CPI, iso3c == 'ITA')
colnames(ITA_CPI)[5] <- 'ITA_CPI'
JPN_CPI <- filter (CPI, iso3c == 'JPN')
colnames(JPN_CPI)[5] <- 'JPN_CPI'
GBR_CPI <- filter (CPI, iso3c == 'GBR')
colnames(GBR_CPI)[5] <- 'GBR_CPI'
MEX_CPI <- filter (CPI, iso3c == 'MEX')
colnames(MEX_CPI)[5] <- 'MEX_CPI'
CPI <- tibble(BRA_CPI[,5], USA_CPI[,5], DEU_CPI[,5], CAN_CPI[,5], FRA_CPI[,5], ITA_CPI[,5], JPN_CPI[,5], GBR_CPI[,5], MEX_CPI[,5])
CPI <- ts(CPI,start=c(2000))
dates <- seq(as.Date('2000-01-01'),
as.Date('2021-01-01'), by='1 year')
gtsplot(CPI, dates=dates)
De maneira geral, o Nível Geral de Preços apresenta uma tendência positiva. Isto é, os preços tendem a subir ao longo do tempo. A velocidade desse crescimento vai depender, em termos estruturais, da condução da política monetária e, em termos conjunturais, de fatores especificados na Curva de Phillips.
INF <- (CPI/stats::lag(CPI,-1)-1)*100
inflacao <- ts(INF,start=c(2001))
dates <- seq(as.Date('2001-01-01'),
as.Date('2021-01-01'), by='1 year')
gtsplot(inflacao, dates=dates)
O Brasil possui diversos índices de inflação com metodologias diferentes, calculados por institutos diferentes. Aqui será trabalhado o Índice de Preços ao Consumidor Amplo (IPCA), o índice que serve de referência para o regime de metas de inflação (Vigente no país desde 1999, conforme exposto no decreto https://www.planalto.gov.br/ccivil_03/decreto/d3088.htm).
O Índice de Preços ao Consumidor Amplo (IPCA) faz parte do Sistema Nacional de Índices de Preços ao Consumidor (SNIPC).
A periodicidade do IPCA é mensal, abrangendo as regiões metropolitanas de Belém, Fortaleza, Recife, Salvador, Belo Horizonte, Rio de Janeiro, São Paulo, Curitiba, Vitória e Porto Alegre, Brasília e municípios de Goiânia e Campo Grande.
O IPCA é construído de forma hierarquizada, sendo dividido em grupos, subgrupos, itens e subitens. Desde agosto de 1999, são nove os grupos: alimentos e bebidas, habitação, artigos de residência, vestuário, transportes, comunicação, saúde e cuidados pessoais, despesas pessoais e educação.
O peso de cada um desses grupos no índice cheio é definido mensalmente, de acordo com os gastos das famílias em diferentes bens e serviços. Estes gastos, por sua vez, são captados pela Pesquisa de Orçamento Familiar (POF).
A cada grupo estarão, então, vinculados subgrupos, itens e subitens. Atualmente, o IPCA possui 373 subitens, distribuídos por 52 itens e 19 subgrupos. Todos os meses, então, o IBGE calculará a variação do preço de cada um desses subitens em relação ao mês anterior, bem como verificará o peso dele no índice cheio. O somatório do produto entre variação mensal e peso de todos os 373 subitens dará a variação mensal do índice cheio.